臨床およびCT所見を用いた曖昧な虫垂炎の診断における自動機械学習モデルと特徴エンジニアリングの有効性
カテゴリ：災害・救急医療
公開日：2026年2月19日
タイトル：Efficacy of automated machine learning models and feature engineering for diagnosis of equivocal appendicitis using clinical and computed tomography findings.
雑誌名：Sci Rep. 2024 Sep 30; 14(1): 22658.
概 要：
本研究は、曖昧なCT所見を持つ急性虫垂炎（AA）の成人患者において、臨床症状とCT所見を統合した自動機械学習（AutoGluon）モデルの診断有効性を評価しました。303人の患者を対象に、虫垂炎群（115人）と非虫垂炎群（188人）に分け、AutoGluonと自動特徴選択（autofeat）を用いてAAの予測を行いました。AutoGluon-clinicalモデルは臨床データのみを使用し、AutoGluon-clinical-CTモデルは臨床データとCTデータの両方を使用しました。結果、AutoGluon-clinical-CTモデルはAUROC 0.886を示し、臨床データのみのリッジ回帰モデルよりも優れた性能を示しました。
方 法：
本研究は303人の成人患者を対象とした回顧的分析です。患者はCT所見が不明確な急性虫垂炎の疑いで、虫垂炎群と非虫垂炎群に分けられました。AutoGluonとautofeatを用いてAAの予測を行い、AUROC、感度、特異度などの指標を用いて診断精度を評価しました。
結 果：
AutoGluon-clinicalモデルはAUROC 0.785を示し、リッジ回帰モデルはAUROC 0.755でした。一方、AutoGluon-clinical-CTモデルはAUROC 0.886を達成し、臨床およびCTデータを用いたリッジモデル（AUROC 0.852）よりも有意に優れた結果を示しました。また、新たに特定された特徴として「痛みからCTまでの期間の3乗に反跳圧痛を加えたもの」が重要であることが示されました。
結 論：
自動機械学習（AutoGluon）と自動特徴エンジニアリング（autofeat）は、曖昧な虫垂炎の診断を改善する可能性が示されました。特に、CTと臨床所見を組み合わせることで診断精度が向上し、医療資源の効率的な利用が期待されます。今後の診断プロセスにおける機械学習のさらなる探求が支持されます。